Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Morales Medina, GiovanniAcevedo Hernández, Juan CamiloRamírez Monsalve, David Stiven2023-03-082023-03-082023-03-072023-03-07https://noesis.uis.edu.co/handle/20.500.14071/12447Este trabajo implementó un modelo computacional de redes neuronales artificiales en la predicción de fallas en la operación de una unidad de destilación de petróleo. Para el desarrollo de la red neuronal se utilizó el programa de uso libre Python. Una base de datos de operación para una unidad de destilación industrial fue recopilada durante una ventana de tiempo. Se realizó una depuración de la base de datos analizando valores atípicos y variables colineales; se analizaron los comportamientos de las variables no colineales en estado normal y en estado con fallas. Con los datos ya consolidados se realizó la codificación, el entrenamiento y la validación de diferentes estructuras de redes neuronales artificiales; se analizaron los comportamientos de cada red entrenada mediante el cálculo de los desempeños MSE y R2 para la selección de las arquitecturas de red neuronal artificial con mejores desempeños de detección y diagnóstico de fallas de la unidad. Según los resultados, la red de mejor desempeño fue la red neuronal entrenada para diagnóstico de fallos, con una arquitectura 15:12:1 para la cual se definió la función de activación tangente hiperbólica.application/pdfspainfo:eu-repo/semantics/openAccessDetección de fallasredes neuronalesdestilaciónUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coFailure predictionNeural networksdistillationhttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)